Startup és kutatócsoport keveredése, nem gyakori, szokatlan megoldásokat is tartalmazó formáció lehet: ilyen a magyar Turbine.AI is, ami forradalmasítaná a gyógyszeripart. Startupként nőnek, de a befektetők igényei nem elsődlegesek. Viszont berágták magukat a gyógyszeriparba, és rájöttek, hogy semmi sem úgy működik, ahogy azt kívülről gondolnánk. Most Berlin, Boston és Budapest között ingáznak.
Egy budai kávézóban találkozunk, a fiatal srácok azt kérik, üljünk kedvenc helyükre: egy madár kalitkája alá, aki végig is kommentálja interjúnkat – bár meglepődnék, ha értene belőle bármit, az azért nagyobb áttörés lenne, mint amit a srácok összehoztak, pedig az is – ebben az esetben azt hiszem, nyugodtan dobálózhatunk nagy szavakkal – forradalmasítani készül a gyógyszeripart.
Szalay Kristóf és Veres Dániel eltérő irányokból indultak, de van, ami összeköti őket startupjukon kívül is: mindketten Csermely Péternél, biokémikus-hálózatkutatónál, a tehetséges diákokat gyűjtő Kutató Diákok Mozgalma alapítójánál írták PhD-jukat.
„Annak a technológiának a magja, ami mostanra nagyra nőtte ki magát, az én PhD-tézisem volt” – meséli Szalay Kristóf, aki eredetileg villamosmérnök, emellé csinált egészségügyi másoddiplomát, és ahogy ő fogalmaz: elhajlott a biológia irányába.
Veres Dániel most fejezi be a PhD-ját Csermely Péternél, sejten belüli hálózatokkal, daganatbiológiával foglalkozik. Két éve kezdték el a közös munkát, Kristóffal összeházasították az ő területeit a mesterséges intelligenciával és a bioinformatikával. Alapító még Fekete Iván, ő a daganatos sejtmodellen dolgozott – ezt használják most szoftverükben.
Big data helyett AI
Merthogy mindezzel a háttérrel most szoftvert fejlesztenek: megoldásuk, a Turbine.AI olyan szoftver, ami képes szimulálni a daganatos sejtek működését, reakciójukat különböző gyógyszerekre.
Amit a laborban napokig-hetekig tart elvégezni az nekik még egy egyszerű pécén is másodpercekbe kerül.
Persze, a lényeg pont az, hogy ezekből a kísérletekből több százezret szimuláljanak nagyon gyorsan, úgyhogy megoldásukat átköltöztették a felhőbe, ahol egy-egy feladaton 100-200 processzor dolgozik. A végeredmény pedig akár hatékonyabb rákgyógyszer is lehet. De ne ugorjunk ennyire előre.
Jól hangzik, de azért nem olyan dologról beszélünk, amit könnyű eladni vagy egyáltalán csak megtalálni, ki lenne a valódi célközönség. Itt jött a képbe Nagy Szabolcs. “A Tresoritban az ötödik arc voltam, amikor a Móriczon laktunk egy lakásban, az, aki majd kitalálja, hogyan adjuk el és kinek. Csomó mindent tanultam, de rájöttem, hogy olyannal lenne érdekes foglalkozni, ami nagyon megmozgat” – kezdi beszámolóját arról, hogy is került a témához képest laikusként a Turbine.AI csapatába. Rájött, hogy betegekkel szeretne foglalkozni, dolgozott egy ideig Meskó Bertalan orvosi jövőkutatóval is (róla bővebben a most is a standon lévő különszámunkban: a Nextben), majd egy ismerősük összekötötte Danival, akik akkor már azt keresgélték, hogyan lehetne céget csinálni a kutatásukból.
“Volt egy rendkívül szórakoztató kezdő beszélgetésünk, amikor semmit nem értettem abból, amit mondtak”
– vallja be. “Aztán elkezdtem megtanulni, mit csinálnak. Rajtuk is látszott, hogy nagyon sok munka van ebben, lelkesedés, nagy lehetőség – beleszerettem az egészbe, meg hát egymásba ” – meséli nevetve.
Balról jobbra: Szalay Kristóf, Veres Dániel, Nagy Szabolcs – Fotó: Orbital Stangers
Nyilván nem ők az elsők, akik az informatikát és a biológiát, orvoslást megpróbálják házasítani, de a sejtek viselkedésének szimulálásával kevesen foglalkoznak, inkább big datán tanított algoritmusokkal próbálkoznak. “A Szilícium-völgyben elég sok ilyen arc van, erre kaptak nagyon sok millió dollárt, de nagy sikereik nincsenek. Mi sokkal kevesebb adatból sokkal jobb jóslásokat tudunk adni, mert kombináltunk több különböző dolgot: csináltunk sejtmodellt, mesterséges intelligenciát, és a kettőt összeraktuk” – magyarázza. A másik oldalról kutatók építettek sejtmodelleket az akadémiai szférában, ők viszont sosem csinálták meg akkora léptékben, mint a Turbine.AI-osok. Ettől még, amit csinálnak – ahogy ők fogalmaznak – „a laborból érkezik”.
Öngyilkosságba hajszolják a sejteket
Két évükbe telt, mire összeraktak egy jól használható sejtmodellt. Nagy, fehérje-kapcsolatokat leíró adatbázisok vannak, ezekből össze lehet rakni sejtmodelleket, de azokat “nem lehet bekapcsolni” – magyarázza Kristóf. Ahhoz, hogy lássák a sejten belüli logikai kapcsolatokat, hogy az egyes fehérjék mit mozgatnak, “kézzel be kellett huzalozniuk”, beállítva a kölcsönhatások paramétereit. A programjuk különlegessége, hogy nem már meglévő kísérleti adatokat kell beletáplálni, hanem a szimulációkkal saját magát tudja etetni, ezáltal tanulva. “Ezért sokkal bonyolultabb kérdéseket fel lehet nekik tenni, például, amit a gyógyszercégek szeretnek: ha van egy adott gyógyszerem, azt milyen daganattípusokra lehetne legjobban alkalmazni; milyen más gyógyszerekkel tud a legjobban kommunikálni” – mondja Kristóf.
Azt szimulálják, hogy amikor egy gyógyszert rácsepegtetnek egy sejtre, mi az a döntési folyamat, amit a sejt lejátszik.
“A sejtnek van külön rendszere, a jelátviteli rendszer, ami nem az anyagcsere-folyamatokat végzi, hanem megnézi, mi van a környezetében, jól érzi-e magát, aztán választ, hogy szaporodjon-e vagy elpusztuljon” – mondja Kristóf.
A dolog persze nem ennyire egyszerű, az egész egy hálózat, ahol, ha megmozdítanak egy pontot, más pontok is megmozdulnak, egy egész rendszer indul be. “Azt próbáljuk elérni, hogy minél több rákos sejt döntsön úgy, hogy elpusztítja saját magát” – mondja. A biológiai szempontból egyszerű sejtválasz (meghal vagy nem) miatt döntöttek úgy, hogy kifejezetten rákkal foglalkoznak majd, amellett, hogy egyre több embert érint, és erre a betegségtípusra nagyon sok kutatási-fejlesztési pénzt költenek a gyógyszergyárak.
Végül eljutottak oda, mit kellene csinálni: előszűrnek. A gyógyszeriparnak vannak kritikus gyógyszerprojektjeik, a mostani módszereikkel vannak sikereik, de egyre célzottabb, összetettebb módon ható gyógyszereket akarnak létrehozni, mára az eddigi módszerek, laborkísérletek elérték a határukat.
“Lefuttatunk több tízmillió, százmillió kísérletet, amit te sose fogsz megcsinálni, mert a laborban nem tudsz pár száznál többet, és megmondjuk neked, mit érdemes tényleg megcsinálni a laborban.
A Turbine.AI-t főleg olyan összetett problémák megoldására használják, amikor pontosabban akarják tudni, milyen betegekre lesz majd jó egy gyógyszer, vagy épp hogy viselkedik más gyógyszerekkel együtt” – magyarázza Kristóf.
Viszont a gyógyszergyárak nem direktben használják a szoftvert, hanem a srácok lefuttatják a szimulált kísérleteket, és visszaadják az eredményt. Ezt szeretik is a gyógyszercégek, mert a bonyolult informatikai rendszereikbe nehéz integrálni az új megoldásokat.
Személyes kapcsolatok hozták az áttörést
A Turbine.AI tavaly év végén bekerült a Bayer gyógyszergyár accelerátorprogramjába, az igazi fejlődésük innen indult: sikerült felmérniük, mi az, amit ténylegesen csinálniuk kellene.
“Azt láttuk, hogy a legtöbb hasonló próbálkozást akadémiai szinten, akadémiai pénzből, akadémiai emberek csinálják, és nem látják át – ahogy mi se láttuk át előtte -, hogy egy gyógyszercég hogy működik, hogyan gondolkodnak az ott lévő emberek, mik a prioritások, milyen problémákkal küzdenek” – magyarázza Dani. “Ott voltunk három és fél hónapot, beszéltünk ötven emberrel a cégen belül, a legalsóbb szintektől a felsővezetőkig. Már látjuk, mi az, ami tényleg kell nekik, ezért úgy tudjuk felépíteni a stratégiát, hogy a tényleges igényeket szolgáljuk ki egy ilyen együttműködésben” – mondja.
“Amikor kívülről néztük az egészet, azt hittük például, hogy a gyógyszer-kutatás egyik kezdeti fázisában elvégzett tevékenység – fognak sokmillió gyógyszer-molekulát, rászórják bizonyos típusú fehérjére, megnézik, hogy csinál-e vele valamit egy robotizált folyamat, csinálják pár hétig, ráköltenek százezer eurókat – igazán frusztrálja őket. Azt hittük, ha megcsinálnánk szimulálva,
mindjárt spórolnánk százezer eurót nekik. Leültünk valakivel beszélgetni, aki rálátott erre, és körülbelül a harmadik mondata az volt, hogy ja, az a százezer euró egyébként bagó”
– meséli Szabolcs.
A mára önállóan működik, nagy gyógyszergyáraknak dolgoznak, csak a bevételekből eltartanak 18 embert. A személyes kapcsolatokat megtartották, sokat járnak ki Berlinbe és Bostonba. A növekedésük startupos, tavaly harmad ennyien voltak, működésük viszont egyébként nem annyira. “Abból a szempontból igen, hogy üzleti modellünket folyamatosan keressük, de ez inkább egy techstartupba oltott kutatócsoport, és ez mindig is így lesz, mert ez ilyen téma” – mondja Kristóf. A befektetők nem is könnyen értik meg ezt a működést.
„Nem értették meg, hogy bár a világon csak csak pár tucat cég van, akinek mi ezt eladjuk, cserébe több mint 100 milliárdos a piac. Itt nem úgy kell skálázni, hogy ezrekhez eljuttatod” – mondja Szabolcs. És bár ügyfeleik is vannak, és bevételből is jól állnak, azért nem dobták el a befektetőket sem: épp most zárnak egy befektetési kört. “Szuperkényelemesek lettünk ebben. Kevesen találják kényelmesnek azt a rizikót, ami nálunk a kutatás miatt van, és nem akarják megérteni a piacot” – magyarázza Szabolcs, miért csak most jön a befektetés, és miért válogattak.
